基于TOF相機(jī)的靶標(biāo)識(shí)別與位姿測(cè)量系統(tǒng)設(shè)計(jì)[嵌入式技術(shù)][其他]

設(shè)計(jì)了以激光為驅(qū)動(dòng)光源的TOF相機(jī)嵌入式系統(tǒng)，采集灰度圖像和深度圖像對(duì)合作靶標(biāo)進(jìn)行實(shí)時(shí)檢測(cè)識(shí)別、匹配，并求出目標(biāo)物體的位姿信息。所使用的靶標(biāo)為圓形靶標(biāo)，采用經(jīng)典的閾值算法，提取靶標(biāo)的形心坐標(biāo)以及計(jì)算圓心率作為靶標(biāo)識(shí)別的條件，使用經(jīng)典的確定性退火算法完成靶標(biāo)配，得到兩組三維坐標(biāo)值，利用SVD方法求解位姿數(shù)據(jù)。在實(shí)驗(yàn)中，利用TOF相機(jī)解算的姿態(tài)角度精度能夠達(dá)到0.13°，位置平移精度有0.6%，能夠準(zhǔn)確識(shí)別靶標(biāo)并且計(jì)算位姿，驗(yàn)證了此TOF相機(jī)用于交會(huì)對(duì)接、SLAM等領(lǐng)域的可行性。

發(fā)表于：1/23/2019 1:37:00 PM

Faster R-CNN定位后的工業(yè)CT圖像缺陷分割算法研究[嵌入式技術(shù)][工業(yè)自動(dòng)化]

由Faster R-CNN定位的缺陷區(qū)域內(nèi)存在弱邊緣，若直接采用常規(guī)分割算法對(duì)該小區(qū)域進(jìn)行處理，會(huì)出現(xiàn)嚴(yán)重的過分割或欠分割現(xiàn)象。在此研究了一種針對(duì)Faster R-CNN定位后的工件缺陷的精確閾值分割法。在利用形態(tài)學(xué)開閉重建算法對(duì)定位區(qū)域進(jìn)行重建，并對(duì)重建后的圖像用Otsu雙閾值法做變換處理的基礎(chǔ)上，進(jìn)一步利用最大熵閾值分割法對(duì)變換后的圖像進(jìn)行分割，最終對(duì)分割出的缺陷進(jìn)行面積、周長(zhǎng)等參數(shù)的測(cè)量。實(shí)驗(yàn)結(jié)果表明，所研究算法較常規(guī)的算法對(duì)工件的缺陷（裂紋、氣泡和夾渣）有更好的分割能力。該算法不僅可以準(zhǔn)確地分割出包含弱邊緣的目標(biāo)，還可以有效排除輪廓背景對(duì)分割的干擾。

發(fā)表于：1/23/2019 1:26:00 PM

無線蜂窩網(wǎng)中用于D2D多播簇的低能耗多播方案[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

研究基站到某個(gè)小區(qū)域內(nèi)多個(gè)節(jié)點(diǎn)的設(shè)備到設(shè)備的高效數(shù)據(jù)多播通信技術(shù)，提出了一種中繼節(jié)點(diǎn)固定的多播方案和一種中繼節(jié)點(diǎn)動(dòng)態(tài)選取的多播方案，并以最小化所有接收節(jié)點(diǎn)的總能耗為目標(biāo)，最優(yōu)化中繼節(jié)點(diǎn)及其發(fā)送功率的選取。相比于傳統(tǒng)方案，該方案可顯著降低多播簇中接收節(jié)點(diǎn)的總能耗。

發(fā)表于：1/22/2019 1:05:00 PM

Massive MIMO中基于統(tǒng)計(jì)信道的波束形成和功率分配[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

為了提高大規(guī)模多輸入多輸出系統(tǒng)(Massive MIMO)的總?cè)萘?，提出了基于統(tǒng)計(jì)信道信息的波束形成和功率分配的優(yōu)化算法。所提出的波束形成方法以信噪泄漏比為優(yōu)化標(biāo)準(zhǔn)，而功率分配方案以系統(tǒng)容量為優(yōu)化目標(biāo)，同時(shí)滿足基站總發(fā)射功率約束條件。上述優(yōu)化問題轉(zhuǎn)化為多個(gè)變量的等價(jià)優(yōu)化形式，從而可以通過變量的交替優(yōu)化迭代達(dá)到收斂。每次迭代過程中均可以求出閉式解，迭代完成后可得到優(yōu)化的功率分配方案。仿真結(jié)果表明，相比于平均功率分配方案，該算法能有效地提高系統(tǒng)的總?cè)萘俊?/a>

一種稀疏度自適應(yīng)的SIMO-NOMA系統(tǒng)多用戶檢測(cè)算法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

非正交多址接入（NOMA）可以通過對(duì)資源的非交使用來提高頻譜利用率，增加用戶連接數(shù)，有望成為5G的關(guān)鍵技術(shù)之一?？紤]基站端配備多根天線，針對(duì)上行免調(diào)度SIMO-NOMA系統(tǒng)中活躍用戶數(shù)量未知的情況，提出了一種基于壓縮感知的稀疏度自適應(yīng)匹配追蹤硬融合算法(SAMP-HFA)。所提算法主要包括三部分：首先利用傳統(tǒng)的SAMP算法估計(jì)基站端每根天線上的用戶活動(dòng)情況，接著融合這些檢測(cè)到的用戶活動(dòng)信息獲得一個(gè)公共的活躍用戶集合，最后利用該集合估計(jì)活躍用戶的傳輸數(shù)據(jù)。仿真結(jié)果表明，隨著天線數(shù)目的增加，所提算法的誤碼率性能顯著提高。

發(fā)表于：1/21/2019 2:20:00 PM

應(yīng)用于空間調(diào)制系統(tǒng)的低復(fù)雜度檢測(cè)算法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

應(yīng)用于大規(guī)模多輸入多輸出系統(tǒng)的空間調(diào)制系統(tǒng)是一種新穎的5G傳輸方案。針對(duì)空間調(diào)制提出了一種復(fù)雜度較低的檢測(cè)算法，提出的算法通過將接收天線重排序來減少總復(fù)雜度。算法結(jié)合已有的A-Star算法對(duì)接收天線分層并排序，改變樹搜索結(jié)構(gòu)并排除錯(cuò)的節(jié)點(diǎn)，使所選分支盡可能包括最優(yōu)路徑，極大縮小了所需訪問節(jié)點(diǎn)數(shù)。該算法具有近似最優(yōu)的誤比特性能和更低的計(jì)算復(fù)雜度，與最大似然檢測(cè)算法相比復(fù)雜度減少了80%左右。

發(fā)表于：1/21/2019 2:03:00 PM

基于議價(jià)博弈的高效機(jī)會(huì)網(wǎng)絡(luò)路由算法[通信與網(wǎng)絡(luò)][其他]

現(xiàn)有基于議價(jià)博弈的機(jī)會(huì)網(wǎng)絡(luò)路由算法存在著因節(jié)點(diǎn)交互過程偏多所引起的控制開銷過大、對(duì)無用消息提出請(qǐng)求時(shí)帶來了額外開銷和博弈雙方達(dá)成交易概率不高所引起的時(shí)延以及SV列表中消息剩余跳數(shù)降為1時(shí)帶來了額外開銷等問題，對(duì)此提出了一種高效的機(jī)會(huì)網(wǎng)絡(luò)路由算法——EORB。該算法通過采用自適應(yīng)精簡(jiǎn)數(shù)據(jù)包摘要、自適應(yīng)合并SV-DP消息和求購(gòu)消息、綜合考慮買賣雙方收益的博弈策略等機(jī)制減少了冗余開銷，加速了消息的轉(zhuǎn)發(fā)速率并提高了消息的到達(dá)率。仿真結(jié)果表明，該算法有效提高了數(shù)據(jù)傳送到達(dá)的成功率，降低了系統(tǒng)開銷以及消息的平均端到端時(shí)延。

發(fā)表于：1/18/2019 1:54:00 PM

基于EEMD-SE和GARBF的短期電力負(fù)荷預(yù)測(cè)[電源技術(shù)][其他]

為了提高短期電力負(fù)荷的預(yù)測(cè)精度，提出了集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）-樣本熵（SE）和遺傳算法（GA）來優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的組合方法。利用EEMD分解法自適應(yīng)地對(duì)負(fù)荷序列進(jìn)行分解，結(jié)合樣本熵對(duì)復(fù)雜度相似的子序列進(jìn)行合并，有效減小了運(yùn)算規(guī)模?；诟鱾€(gè)子序列復(fù)雜度的差異構(gòu)建相應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)模型，利用遺傳算法避免神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)和收斂性問題，進(jìn)而對(duì)合并的新子序列進(jìn)行預(yù)測(cè)并疊加得到最終預(yù)測(cè)結(jié)果。仿真結(jié)果表明，該預(yù)測(cè)算法具有良好的預(yù)測(cè)效果，滿足短期電力負(fù)荷預(yù)測(cè)的要求。

發(fā)表于：1/18/2019 1:40:00 PM

基于資源三號(hào)衛(wèi)星與Landsat 8 OLI的水庫(kù)庫(kù)容估算*[通信與網(wǎng)絡(luò)][工業(yè)自動(dòng)化]

遙感技術(shù)具有探測(cè)范圍廣、更新速度快、周期性強(qiáng)等特點(diǎn)，在水庫(kù)庫(kù)容監(jiān)測(cè)中具有巨大優(yōu)勢(shì)。以遼寧省撫順市大伙房水庫(kù)為研究對(duì)象，基于資源三號(hào)衛(wèi)星提取的DEM數(shù)據(jù)建立模型，從不同時(shí)相的Landsat 8 OLI影像中提取庫(kù)面積，并利用模型計(jì)算庫(kù)容。結(jié)果顯示：與利用庫(kù)容曲線計(jì)算的庫(kù)容相比，該方法相對(duì)誤差在20%以內(nèi)，且具有較好的相關(guān)性，為水庫(kù)庫(kù)容的快速估算提供了一種方法，具有一定的實(shí)用價(jià)值。

發(fā)表于：1/18/2019 5:45:00 AM

電力企業(yè)云百科系統(tǒng)的架構(gòu)設(shè)計(jì)[電源技術(shù)][數(shù)據(jù)中心]

隨著云計(jì)算服務(wù)在電力行業(yè)的廣泛應(yīng)用，用戶對(duì)電力云平臺(tái)的搜索能力要求越來越高，電力云百科系統(tǒng)主要應(yīng)用于電力系統(tǒng)內(nèi)部的電力知識(shí)的共享以及更新。系統(tǒng)是基于電力系統(tǒng)數(shù)據(jù)庫(kù)通過云搜索引擎的快速檢索，便捷相應(yīng)知識(shí)內(nèi)容的利用。由于采用了云計(jì)算技術(shù)，可以提高并發(fā)訪問量、檢索速度，實(shí)現(xiàn)業(yè)務(wù)動(dòng)態(tài)擴(kuò)展和節(jié)約成本。

發(fā)表于：1/17/2019 6:58:00 PM